Машинное обучение и анализ данных

Кто читает:: Департамент информатики

Статус:: Курс по выбору

Когда читается:: 2-й курс, 1, 2 модуль

Преподаватель

Курочкин Евгений Анатольевич

Дополнительные материалы в LMS Задать вопрос

Аннотация

Данная дисциплина посвящена теоретическому и практическому изучению графовых нейронных сетей (GNN) — мощного инструмента для машинного обучения на данных, представленных в виде графов. Курс охватывает путь от базовых концепций (представление графов, механизм Message Passing) до ключевых архитектур (GCN, GAT, Graph Transformers) и специализированных техник для работы с динамическими, гетерогенными графами и задачами самоконтролируемого обучения. Целью освоения является формирование у студентов системного понимания принципов построения GNN и приобретение практических навыков их реализации и применения для решения широкого круга индустриальных задач, включая рекомендательные системы, анализ текстов и обработку изображений.

Цель освоения дисциплины

Формирование у обучающихся системного понимания принципов построения графовых нейронных сетей и приобретение практических навыков их реализации и применения для решения широкого круга индустриальных задач, включая рекомендательные системы, анализ текстов и обработку изображений.

Планируемые результаты обучения

Формулирует ключевые задачи машинного обучения на графах и их отличия от классических задач. Представляет графовые данные в тензорных форматах, пригодных для обучения нейронных сетей. Разворачивает окружение и загружает графовые датасеты через PyTorch Geometric. Строит базовый пайплайн обучения модели на графе.
Объясняет принцип Message Passing и его роль в GNN. Реализует собственный слой агрегации соседних признаков. Диагностирует проблемы переобучения и over-smoothing в глубоких GNN. Применяет базовые слои для решения задачи классификации узлов.
Различает архитектуры GCN, GAT и Graph Transformer по их математическим основам. Обучает и настраивает модели на эталонных графовых датасетах. Сравнивает архитектуры по качеству и вычислительным затратам. Обосновывает выбор архитектуры под конкретную задачу.
Выбирает функцию потерь и метрики под конкретный тип задачи. Реализует mini-batch обучение с сэмплированием соседей для больших графов. Применяет методы регуляризации для повышения обобщающей способности модели. Интерпретирует предсказания GNN с помощью объясняющих методов.
Различает гомогенные, гетерогенные и динамические графы и их особенности. Применяет метапути и реляционные свёртки для гетерогенных данных. Строит модель для предсказания на динамическом графе. Оценивает влияние временной динамики на качество предсказаний.
Формулирует задачи предобучения для графовых моделей. Реализует контрастивный или генеративный SSL-метод для GNN. Переносит предобученную модель на целевую задачу с ограниченной разметкой. Оценивает эффект предобучения по сравнению с обучением с нуля.
Определяет применимость GNN для конкретной индустриальной задачи. Разрабатывает и обучает GNN-модель для выбранной предметной области.

Содержание учебной дисциплины

Тема 1. Введение в графовые нейронные сети и представление графов
Тема 2. Механизм Message Passing и базовые GNN-слои
Тема 3. Ключевые архитектуры: GCN, GAT, Graph Transformers
Тема 4. Обучение GNN: задачи, лоссы и регуляризация
Тема 5. Гетерогенные и динамические графы
Тема 6. Самоконтролируемое обучение на графах
Тема 7. Прикладные задачи и индустриальные кейсы

Элементы контроля

Практическая работа №1
Экзамен
Практическая работа №2

Промежуточная аттестация

2026/2027 2nd module
0.5 * Экзамен + 0.25 * Практическая работа №2 + 0.25 * Практическая работа №1

Список литературы

Авторы

Архимандритов Игорь Борисович
Оленчук Ольга Геннадьевна